Aperçu du cours
Objectif de formation : Le stagiaire apprendra durant cette formation à implémenter divers algorithmes et appréhendera les bonnes pratiques pour un projet ML
Prérequis
- Connaissances de base en Python
- Notions fondamentales en statistiques
Fonctionnalités
- Appréhender les principaux modèles d'apprentissage
- Savoir modéliser un problème pratique sous forme abstraite
- Être capable de créer des comparatifs entre les méthodes d'apprentissage et de sélectionner la méthode adaptée à la situation
- Implémenter et mesurer l'impact des méthodes identifiées sur un problème
- Créer des liaisons entre les différentes techniques d'apprentissage
Public ciblé
- Ingénieurs
- Chefs de projet
Détails
- 10 Sections
- 56 Lessons
- 28 heures
Expand all sectionsCollapse all sections
- Premiers pas avec le Machine Learning5
- 1.1Big Data & Machine Learning
- 1.2Présentation des différents algorithmes d’apprentissage : supervisés, non supervisés et par renforcement
- 1.3Jalons de construction d’un modèle prédictif
- 1.4Détection des valeurs aberrantes et traitement les données manquantes
- 1.5Choix de l’algorithme et des variables de l’algorithme
- Premiers pas avec le Machine Learning5
- 2.1Big Data & Machine Learning
- 2.2Présentation des différents algorithmes d’apprentissage : supervisés, non supervisés et par renforcement
- 2.3Jalons de construction d’un modèle prédictif
- 2.4Détection des valeurs aberrantes et traitement les données manquantes
- 2.5Choix de l’algorithme et des variables de l’algorithme
- Procédures d'évaluation de modèles5
- 3.1Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test
- 3.2Test de représentativité des données d’apprentissage
- 3.3Mesures de performance des modèles prédictifs
- 3.4Matrice de confusion, de coût et la courbe ROC et AUC
- 3.5Travaux pratiques : évaluation et comparaison des différents algorithmes sur les modèles fournis
- Procédures d'évaluation de modèles5
- 4.1Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test
- 4.2Test de représentativité des données d’apprentissage
- 4.3Mesures de performance des modèles prédictifs
- 4.4Matrice de confusion, de coût et la courbe ROC et AUC
- 4.5Travaux pratiques : évaluation et comparaison des différents algorithmes sur les modèles fournis
- Modèles prédictifs & approche fréquentiste8
- 5.1Apprentissage statistique
- 5.2Conditionnement des données & réduction de dimension
- 5.3Machines à vecteurs supports & méthodes à noyaux
- 5.4Quantification vectorielle
- 5.5Réseaux neuronaux & deep Learning
- 5.6Ensemble learning & arbres de décision
- 5.7Algorithmes de Bandits, optimisme face à l’incertitude
- 5.8Travaux pratiques : Création de familles d’algorithmes à l’aide de différents jeux de données
- Modèles prédictifs & approche fréquentiste8
- 6.1Apprentissage statistique
- 6.2Conditionnement des données & réduction de dimension
- 6.3Machines à vecteurs supports & méthodes à noyaux
- 6.4Quantification vectorielle
- 6.5Réseaux neuronaux & deep Learning
- 6.6Ensemble learning & arbres de décision
- 6.7Algorithmes de Bandits, optimisme face à l’incertitude
- 6.8Travaux pratiques : Création de familles d’algorithmes à l’aide de différents jeux de données
- Les modèles et apprentissages bayésiens5
- Les modèles et apprentissages bayésiens5
- Machine Learning en production5
- 9.1Particularités dues aux environnements distribués
- 9.2Présentation des outils Spark et MLlib pour le déploiement
- 9.3Technologies du cloud avec le Machine Learning
- 9.4Maintenance du modèle
- 9.5Travaux pratiques : Implémentation en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements
- Machine Learning en production5
- 10.1Particularités dues aux environnements distribués
- 10.2Présentation des outils Spark et MLlib pour le déploiement
- 10.3Technologies du cloud avec le Machine Learning
- 10.4Maintenance du modèle
- 10.5Travaux pratiques : Implémentation en production d’un modèle prédictif avec l’intégration dans des processus de batch et dans des flux de traitements
Instructeur
